1.7 习题
在尝试这些习题之前，请确保已安装最新版本的Python相关软件包，特别是matplotlib、pandas和seaborn。一种简单的方法是通过Anaconda Navigator更新软件包，详见附录D。
1.访问UCI机器学习数据库https://archive.ics.uci.edu/。阅读数据说明并下载Mushroom（蘑菇）数据集agaricus-lepiota.data。使用pandas的read_csv命令将数据读入名为mushroom的数据帧(DataFrame)。
（a）数据集中包含多少特征？
（b）特征的初始名称和类型是什么？
（c）将第一个特征（索引为0）重命名为edibility，将第六个特征（索引为5）重命名为odor。(提示：pandas中的列名是不可变的，所以单个列不能直接修改。但是，可以通过mushroom.columns=newcols对整个列名列表赋值。)
（d）第六列列出了蘑菇的各种气味，编码为a、c等，试着用almond、creosote等名称代替这些编码（从网站上可以找到每个字母对应的类别）。同样将edibility中e和p替换成edible和poisonous。
（e）制作一张关于edibility和odor的列联表。
（f）采集食用蘑菇时，应避免哪种气味的蘑菇？
（g）无气味的蘑菇样本中，能安全食用的蘑菇占多大比例？
2.根据表1.2修改nutri数据集中变量的类型和数值，并保存为CSV文件。修改后的数据应该有8个分类特征、3个浮点数类型特征和2个整数类型特征。
3.通常情况下，在使用标准统计软件分析数据之前，需要重新构造数据表。以表1.3中学生成绩为例，考虑上专业课前后5名学生的考试成绩。
表1.3 学生成绩
这不是1.1节中描述的标准格式。特别是，学生的成绩被分成两列，而标准格式要求将成绩收集在一列，例如，收集在标签为Score的列。手动将此表重新格式化为具有如下三个特征的标准格式：
•Score，取连续值。
•Time，取值为Before和After。
•Student，取值为1到5。
pandas中有用的表重构方法有melt、stack和unstack。
4.创建一个类似图1.5所示的条形图，但是现在要绘制出三个类别中男性和女性的相应比例。也就是说，具有同样“性别”的条形图，每个条形图的高度总和应该为1。（提示：seaborn没有这样的内置函数，然而，你可以先创建一个列联表，再使用matplotlib.pyplot方法来生成图形。）
5.1.1节中提到的iris数据集包含三种鸢尾花的各种特征，鸢尾花的类别有setosa、versicolor和virginica，花的特征包括Petal.Length和Sepal.Length等。
（a）将数据集加载为pandas的DataFrame对象。
（b）使用matplotlib.pyplot函数，在一个图形中绘制三种花的Petal.Length箱形图。
（c）为Petal.Length特征绘制具有20个分箱的直方图。
（d）制作Sepal.Length相对Petal.Length的散点图，类似图1.9a。注意，数据点应根据Species特征进行着色，颜色与图1.9b的图例一致。
（e）使用seaborn包的kdeplot方法，复现图1.9b关于Petal.Length的核密度图。
图1.9 Sepal.Length相对Petal.Length的散点图以及三种鸢尾花Petal.Length特征的核密度估计
6.从与上述iris数据集相同的网站导入数据集EuStockMarkets。该数据集包含20世纪90年代四只欧洲股票的指数数据，包含每年260个工作日的收盘价。
（a）创建股票价格的时间向量（工作日），向量范围为1991.496到1998.646，增量为1/260。
（b）复现图1.10。[提示：使用字典将列名（即股票指数）映射为不同的颜色。]
图1.10 欧洲股市的收盘指数
7.考虑UCI机器学习数据库中的KASANDR数据集（网址为https://archive.ics.uci.edu/ml/machine-learning-databases/00385/de.tar.bz2）。该数据集文件大小为900MB，下载可能需要一些时间。使用7-Zip等解压缩文件，生成一个文件目录de，目录下包含两个大型CSV文件test_de.csv和train_de.csv，两个文件的大小分别为372MB和3GB。只要内存足够，这样大的数据文件仍然可以在pandas中高效地处理。这些文件包含德国Kelkoo网站日志的用户信息记录，以及用户、供货商和商家的元数据。数据集有7个属性，两个文件分别有1919561和15844717行。数据集通过十六进制字符串进行匿名化。
（a）使用如下命令加载train_de.csv到pandas数据帧对象de：
如果可用内存不够大，则加载test_de.csv。注意，这里的条目用制表符而不是逗号分隔。使用time软件包记录加载文件所用的时间。(在我们的计算机上加载train_de.csv花了38秒。)
（b）这个数据集中有多少独立用户和商家？
8.两种以上特征的数据可视化需要精心设计，这往往更像是一门艺术而不是科学。
（a）访问Vincent Arel-Bundocks的网站（URL详见1.1节），并将Orange数据集读入pandas名为orange的数据帧对象。删除未命名的第一列。
（b）该数据集包含了5棵橘子树在不同发育阶段的树干周长。请查找特征的名称。
（c）在Python中，导入seaborn并使用regplot和FacetGrid方法可视化树的生长曲线（树干周长与树龄的关系）。